ComS2T: 适用于数据自适应模型演化的补充时空学习系统
内容提要
本文综述时空图对比学习进展，涵盖GraphST、CL4ST、STS-CCL、AutoST、ConST-CL、PromptST、ST-UNet等模型，用于交通、犯罪、视频等时空预测，通过自监督与跨视图对比提升多视图信息利用和泛化性能，PromptST在多属性预测与迁移上达最优。
延伸解读
时空对比学习的技术脉络
文章梳理了从2019年到2024年时空图对比学习的发展，涵盖GraphST、CL4ST、STS-CCL、AutoST、ConST-CL、PromptST、ST-UNet等模型。这些工作围绕自监督与跨视图对比展开，旨在提升多视图信息利用和泛化性能，并在交通、犯罪、视频等预测任务中验证有效性。读者可借此把握该领域从早期图对比到近期提示学习的演进路径。
PromptST的突破与迁移能力
PromptST针对时空多属性预测，通过时空变换器和参数共享训练机制捕捉不同属性间的共同知识，并采用轻量级指令调优适应特定属性。实验表明其在真实数据集上达到最先进性能，且在未见过的时空属性上具有高可迁移性。这为城市计算中多属性预测和跨任务迁移提供了新思路，但文章未提及具体计算开销或部署限制。
应用场景与性能验证
文章列举的模型在交通预测、犯罪预测和视频理解等任务中进行了评估。例如CL4ST在交通和犯罪预测上优于基准，ConST-CL在Kinetics、UCF等6个数据集上取得有竞争力的结果，ST-UNet在多个真实世界数据集上实现显著改进。这些验证表明时空对比学习具有跨领域适用性，但不同模型的任务侧重和评估指标存在差异，读者需结合具体场景判断适用性。
Q&A
GraphST模型在时空预测中有什么创新点？
GraphST采用新的自监督学习方法和跨视图对比学习，提高了多视图信息的利用和处理，在空间-时间预测任务中表现出卓越性能。
CL4ST框架在哪些任务上优于现有基准？
CL4ST在交通和犯罪预测方面明显优于各种最先进的基准模型。
STS-CCL模型如何提升交通预测性能？
STS-CCL通过图数据增强和同步对比模块捕获复杂的空间-时间表示，从而在交通预测任务中取得优越性能。
AutoST方法解决了哪些问题？
AutoST结合异构图神经架构和参数化对比视图生成器，设计自动时空增强方案，以解决数据噪声和分布异质性等问题。
PromptST在时空多属性预测中有什么优势？
PromptST通过时空变换器和参数共享训练机制处理不同属性间的共同知识，并采用轻量级指令调优适应特定属性，达到最先进性能，且对未见属性具有高可迁移性。
ST-UNet模型的主要特点是什么？
ST-UNet是一种多尺度体系结构，用于图形结构的时间序列建模，能有效捕获多个尺度的综合特征，并在多个真实数据集上实现显著改进。
